基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

煤机设备轴承故障诊断方法

煤机设备滚动轴承早期故障特征微弱,且易受载荷、工况等因素的影响而被噪声淹没,导致轴承故障诊断困难。现有研究大多采用单一算法处理轴承故障信号,故障特征提取精度和故障诊断准确性有待进一步提高。提出了一种融合局部特征尺度分解（LCD）和奇异值分解（SVD）的煤机设备轴承故障诊断方法：采用LCD方法将煤机设备轴承振动信号分解为若干个内凛尺度分量（ISC）,实现信号初步降噪;计算各ISC的香农熵,选择香农熵最小的ISC进行SVD,并构建SVD信号的奇异值差分谱,针对最大突变分量进行信号重构,实现信号增强去噪;对重构信号进行Hilbert包络解调,得到轴承故障特征频率,进而判断轴承故障。采用现场实测数据对基于LCD-SVD的煤机设备轴承故障诊断方法进行验证,结果表明,该方法可准确提取出轴承故障特征频率,从而实现煤机设备轴承早期故障诊断。     

基于全矢Hilbert时域边际谱的轴承诊断

为实现有效的故障诊断,提出一种基于全矢希尔伯特(Hilbert)时域边际谱的轴承诊断方法,对使用中的滚动轴承进行故障诊断及预警。通过采集运转中滚动轴承的同源双通道振动信号,采用经验模态分解(EMD)和Hilbert变换对同源双通道的振动信号进行处理,把非平稳振动信号分解为一系列固有模态函数(IMF)和信号的Hilbert谱;再对Hilbert谱进行积分,得到能够体现信号时域特征的时域边际谱;结合全矢谱技术对其进行同源双通道的信息融合,最终得到滚动轴承振动信号的全矢HHT时域边际谱。该方法可以避免由于传统单通道信息采集可能发生的信息遗漏而导致的对故障诊断的漏判和误判,从而提高诊断的准确性和可靠性。在国家轴承质量监督检验中心滚动轴承全周期疲劳寿命试验机上,对滚动轴承外圈故障进行试验。结果表明,与传统的Hilbert边际谱相比,该方法能够更有效地识别外圈剥落、内圈剥落等局部损伤类故障的部位和类型,可以在工程应用上实践、推广。     

基于MATLAB时频分析算法的滚动轴承故障研究

为了确定滚动轴承故障类型,文中首先通过理论计算得到滚动轴承各故障特征频率。其次,对该轴承外壳进行传感器的布置,提取该轴承的振动信号,利用MATLAB对振动信号进行时域分析,随后将FFT得到幅频特性曲线对比故障特征频率初步判断其故障类型。进一步对振动信号进行Hilbert的包络谱分析、利用EMD算法进行Hilbert-Huang变换求得Hilbert边际谱,最终确定故障特征。该时频分析方法所得诊断结果与实际轴承故障类型一致,故此算法可广泛应用于设备滚动轴承故障诊断中。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于FCEEMD复合筛选的故障特征提取方法

针对快速集成经验模态分解(FEEMD)和固有模态函数(IMF)选择方法的缺陷，提出一种基于快速互补总体经验模态分解(FCEEMD)复合筛选的故障特征提取方法。首先，引入符号相反的成对的白噪声来中和FEEMD中的残余噪声，抑制IMF之间的模态混叠并得到一系列新的IMF;然后，基于能量及相关系数构建复合筛选模型并根据筛选得到的有效IMF构建重构信号；最后，通过希尔伯特(Hilbert)包络解调提取重构信号中包含的周期性脉冲特征来诊断轴承故障。凯斯西储大学(CWRU)轴承数据集上的实验结果表明，该方法能高效、准确地提取出轴承故障特征，在旋转机械故障诊断中有借鉴意义和应用前景。     

基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断

为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性.     

经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

基于变分模态分解与最小熵解卷积的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合变分模态分解和最小熵解卷积,给出了一种新的故障诊断方法。首先,以包含啮合频率的分量的包络峭度最大作为原则,确定变分模态分解的分量个数;然后,将齿轮振动信号运用变分模态分解,得到多个分量;选取包含啮合频率的分量作为敏感分量;接着,应用最小熵解卷积,将敏感分量降噪;最后,应用包络分析技术进行故障诊断。通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

基于广义形态滤波和MRSVD的故障诊断方法研究

为了从复杂工况下获取滚动轴承故障信息,提出了一种基于广义形态滤波和多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）相结合的方法。首先利用广义形态学滤波方法对振动信号进行降噪预处理;然后利用MRSVD对降噪后的振动信号进行分解;最后通过峭度准则选取故障特征最丰富的细节信号,并对其进行Hilbert包络谱分析。将提出的方法应用于滚动轴承的故障检测,实验结果表明该方法能清晰地提取故障特征信息。     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

基于阶次跟踪和HHT瞬时相位法的轴承故障诊断

提出了一种基于阶次跟踪和HHT(Hilbert-Huang transform)瞬时相位法的轴承故障诊断新方法。对齿轮箱启动时的振动信号进行角域重采样,并对角域里的信号进行经验模态分析(EMD)分解得到多个固态模态函数(IMF)分量及其各自的瞬时相位谱,最后对包含故障信息的瞬时相位分量进行了快速傅里叶变换(FFT)。结果表明,该方法能对轴承的故障部位和类型进行准确诊断。     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法。首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量构建初始特征矩阵,然后利用SVD对特征矩阵进行分解,得到特征矩阵的奇异值作为表征微弱故障信号的特征向量,最后应用多变量预测模型对单向阀微弱故障进行诊断。工程实验结果表明,该方法能有效地提取出单向阀微弱故障信号特征并能对单向阀状态类型进行有效识别。     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。